即刻App年轻人的同好社区
下载
置顶最近把自己正在用的一套 AI 工作台系统整理了一下，越整理越觉得，这件事可能是值得我长期做下去一份事业。
过去两个月，我一直在基于自己的产品经理日常工作，搭建一套 PM AI 工作台，也试了很多 AI 工具。
ChatGPT、Codex、Claude Code、WorkBuddy、Cursor，这些工具我都会用。
但工具试得越多，我越确定一件事：
AI 时代，最值得长期积累的，不是某一个 AI 工具，而是你自己的上下文资产
因为工具会换，模型会变，平台也会变。
真正属于你的，是你积累过的知识、形成过的判断、正在推进的目标和任务、反复验证过的方法、独属于你的表达风格。
这些东西如果只是散落在笔记软件、微信收藏、浏览器标签页、网盘、聊天记录和 AI 对话里，它们就很难真正变成你的能力。
你明明积累了很多东西，但真正要写作、决策、做项目的时候，还是要重新翻、重新想、重新组织。
以前这是知识管理的问题。
AI 的出现，让这个问题第一次有机会被系统性解决。
AI 可以搜索你过往的笔记，也可以通过关键词、语义检索读到一部分内容。
但进一步的问题又出现了：AI「能搜到」不等于「会调用」。
它不知道哪些是你的稳定判断，哪些只是临时想法；不知道哪个文件是入口，哪个文件是过程材料；不知道这个任务应该先读目标、再读背景，还是先读方法论、再读历史产出。
对人来说，你读自己的笔记库，是带着长期记忆和隐含路径在读的。
但 AI 默认不知道。
所以我这段时间越来越明确：AI 时代真正重要的，不是把一堆资料扔给 AI，而是把自己的知识、目标、任务和工作流，整理成一套 AI 也能顺着路线读取的上下文系统。
这就是我说的「个人 AI 工作台」。
它更像是一套工作基础设施：
用本地文件夹和 Markdown 承载长期上下文；
用 Obsidian 作为呈现和导航界面；
再让支持读取文件或接入上下文的 AI 工具，比如 ChatGPT、Codex、Claude Code、WorkBuddy、Cursor，都能沿着同一套上下文接手任务，成为你的助手，参与真实工作。
我现在会把这套系统拆成三部分：
第一是认知输入系统，接住每天发生的输入，比如 DailyNotes、外部文章、读书笔记、课程笔记、当天想法。
第二是知识复利系统，把稳定、可复用的认知沉淀下来，比如 MOC、Card、方法、判断、原则、表达。
第三是目标域系统，承接真实任务和产出，比如产品工作、写作输出、小红书运营、商业交付、健身管理。
最简单理解就是：
输入要被接住。
认知要被沉淀。
任务要能产出。
结果还要能反哺系统。
这件事也刚好连接上了我过去几年的积累。
我折腾个人知识管理差不多 8 年，印象笔记、Bear、Obsidian、Roam Research、flomo、Logseq、Tana、heptabase……每一代 PKM 工具，都陪伴过我某一段时间。
同时，我主业做了 5 年多 B 端产品经理。这份职业真正训练我的，不只是写 PRD、画原型，而是在复杂系统里识别问题、拆解需求、理解流程、判断边界，把混乱的信息整理成一个可以运行的系统。
以前我一直在为企业设计复杂系统，也一直在为自己迭代知识管理系统。
但 AI 出现以后，我突然意识到：
一个人的知识管理系统，不能只给自己看了。
它还要能让 AI 接入、理解、调用，甚至参与真实工作。
所以接下来，我打算用自己正在运行的真实工作台做样本，持续拆解这套系统是怎么搭出来、怎么使用、怎么迭代的。
我不想只讲某个 AI 工具怎么玩。
我更想讲清楚：一个人如何在 AI 时代，把自己的知识、经验、思考和行动，沉淀成一套可连接、可复用、可进化的系统。
欢迎感兴趣的朋友一起讨论～
过去两个月，我一直在基于自己的产品经理日常工作，搭建一套 PM AI 工作台，也试了很多 AI 工具。
ChatGPT、Codex、Claude Code、WorkBuddy、Cursor，这些工具我都会用。
但工具试得越多，我越确定一件事：
AI 时代，最值得长期积累的，不是某一个 AI 工具，而是你自己的上下文资产
因为工具会换，模型会变，平台也会变。
真正属于你的，是你积累过的知识、形成过的判断、正在推进的目标和任务、反复验证过的方法、独属于你的表达风格。
这些东西如果只是散落在笔记软件、微信收藏、浏览器标签页、网盘、聊天记录和 AI 对话里，它们就很难真正变成你的能力。
你明明积累了很多东西，但真正要写作、决策、做项目的时候，还是要重新翻、重新想、重新组织。
以前这是知识管理的问题。
AI 的出现，让这个问题第一次有机会被系统性解决。
AI 可以搜索你过往的笔记，也可以通过关键词、语义检索读到一部分内容。
但进一步的问题又出现了：AI「能搜到」不等于「会调用」。
它不知道哪些是你的稳定判断，哪些只是临时想法；不知道哪个文件是入口，哪个文件是过程材料；不知道这个任务应该先读目标、再读背景，还是先读方法论、再读历史产出。
对人来说，你读自己的笔记库，是带着长期记忆和隐含路径在读的。
但 AI 默认不知道。
所以我这段时间越来越明确：AI 时代真正重要的，不是把一堆资料扔给 AI，而是把自己的知识、目标、任务和工作流，整理成一套 AI 也能顺着路线读取的上下文系统。
这就是我说的「个人 AI 工作台」。
它更像是一套工作基础设施：
用本地文件夹和 Markdown 承载长期上下文；
用 Obsidian 作为呈现和导航界面；
再让支持读取文件或接入上下文的 AI 工具，比如 ChatGPT、Codex、Claude Code、WorkBuddy、Cursor，都能沿着同一套上下文接手任务，成为你的助手，参与真实工作。
我现在会把这套系统拆成三部分：
第一是认知输入系统，接住每天发生的输入，比如 DailyNotes、外部文章、读书笔记、课程笔记、当天想法。
第二是知识复利系统，把稳定、可复用的认知沉淀下来，比如 MOC、Card、方法、判断、原则、表达。
第三是目标域系统，承接真实任务和产出，比如产品工作、写作输出、小红书运营、商业交付、健身管理。
最简单理解就是：
输入要被接住。
认知要被沉淀。
任务要能产出。
结果还要能反哺系统。
这件事也刚好连接上了我过去几年的积累。
我折腾个人知识管理差不多 8 年，印象笔记、Bear、Obsidian、Roam Research、flomo、Logseq、Tana、heptabase……每一代 PKM 工具，都陪伴过我某一段时间。
同时，我主业做了 5 年多 B 端产品经理。这份职业真正训练我的，不只是写 PRD、画原型，而是在复杂系统里识别问题、拆解需求、理解流程、判断边界，把混乱的信息整理成一个可以运行的系统。
以前我一直在为企业设计复杂系统，也一直在为自己迭代知识管理系统。
但 AI 出现以后，我突然意识到：
一个人的知识管理系统，不能只给自己看了。
它还要能让 AI 接入、理解、调用，甚至参与真实工作。
所以接下来，我打算用自己正在运行的真实工作台做样本，持续拆解这套系统是怎么搭出来、怎么使用、怎么迭代的。
我不想只讲某个 AI 工具怎么玩。
我更想讲清楚：一个人如何在 AI 时代，把自己的知识、经验、思考和行动，沉淀成一套可连接、可复用、可进化的系统。
欢迎感兴趣的朋友一起讨论～
AI 时代，最值得积累的是你的上下文：我准备公开我的「AI 工作台系统」
3 00
国产的模型订阅 感觉真的很贵啊•··
刚试了下火山引擎的 49.9元的Agent Plan，正常价格200元，首月特惠。
说是1个月有10W的agent燃料值，我也不知道多少token
但跑个小任务 周额度消耗了3.2%，月额度消耗1.1 %
200元，这可能都比不上140块钱的ChatGPT plus里的codex用量😑
就是明摆着告诉你：我们的模型质量没有GPT强，但订阅价格更贵。
刚试了下火山引擎的 49.9元的Agent Plan，正常价格200元，首月特惠。
说是1个月有10W的agent燃料值，我也不知道多少token
但跑个小任务 周额度消耗了3.2%，月额度消耗1.1 %
200元，这可能都比不上140块钱的ChatGPT plus里的codex用量😑
就是明摆着告诉你：我们的模型质量没有GPT强，但订阅价格更贵。
3 00
昨天又被一个 AI 使用场景震撼到了一下。
之前我服务过的一个大客户项目，现在要收尾了。有一批需求是非定制需求，要做到到标准化产品里面的。
项目经理发我一个在线表格，就是需求清单和每一项需求的备注截图。
我要做的事情是：把里面的标准化需求跳出来，一一去ONES（项目管理软件） 核对，找到有没有对应的父需求 / 子需求，现在开发到什么状态。
这件事最烦的点在于：
需求名称两边不一致：项目上的需求描述 和 标准化需求定义 不会完全一致。
有些信息藏在截图备注里，需要点开来理解这条需求到底是什么意思。
ONES 里的父项状态可能还没完成，但子项可能已经验收通过了；
有些需求被合并进一个大需求，有些只是疑似相关；
要判断每一项是什么状态：“已完成 / 待验收 / 待开发 / 未找到明确项”？
这个活，说白了就是要我在表格和项目管理系统之间来回切换，一一核对。项目管理系统里面的需求又多，需求标题又不一致，很难直接靠搜索找到对应项。
但咱可是AI原生玩家，做什么事情，第一反应都是先让AI去做。
这次的思路也很简单，在线表 和 项目管理软件Ones 都是浏览器能打开的东西。
我让 codex 用chrome插件去做：先读表、点开备注图理解需求，再去 ONES的成百上千条需求里大海捞针， 按业务含义匹配对应可能的需求，最后输出一张逐项核对表。
它用了近40分钟完成了：共17 条标准化需求，逐条匹配到对应 ONES 项，标出父项、子项、验收状态和不确定点。
我核对了一下，只有一点不够精准，其他的全部正确。
这至少节省了我半个工作日的时间，真的被爽到了。
而且，我觉得这个场景比“AI 帮我写一篇PRD文档”更有代表性。
因为这是每个人在工作中都会经常出现的，那种：
真实、混乱、很脏很碎片化，而且是非标准化的临时任务。
这种任务最烦的就是会消耗人的心智、精力和时间。
但他们也恰恰是最适合让AI去做的。
真的能大大改善你的效率和工作心情。
总的来说，AI 可以把我们那一大段查找、比对、摘录、归类的这种苦活吃掉，我们只需要验收最后的成果是否正确。
这就是AI带来的很大的变化：
很多原来只能靠人肉耐心硬扛的工作，可以被拆成“人定标准，AI 跑证据”的协作流程。
之前我服务过的一个大客户项目，现在要收尾了。有一批需求是非定制需求，要做到到标准化产品里面的。
项目经理发我一个在线表格，就是需求清单和每一项需求的备注截图。
我要做的事情是：把里面的标准化需求跳出来，一一去ONES（项目管理软件） 核对，找到有没有对应的父需求 / 子需求，现在开发到什么状态。
这件事最烦的点在于：
需求名称两边不一致：项目上的需求描述 和 标准化需求定义 不会完全一致。
有些信息藏在截图备注里，需要点开来理解这条需求到底是什么意思。
ONES 里的父项状态可能还没完成，但子项可能已经验收通过了；
有些需求被合并进一个大需求，有些只是疑似相关；
要判断每一项是什么状态：“已完成 / 待验收 / 待开发 / 未找到明确项”？
这个活，说白了就是要我在表格和项目管理系统之间来回切换，一一核对。项目管理系统里面的需求又多，需求标题又不一致，很难直接靠搜索找到对应项。
但咱可是AI原生玩家，做什么事情，第一反应都是先让AI去做。
这次的思路也很简单，在线表 和 项目管理软件Ones 都是浏览器能打开的东西。
我让 codex 用chrome插件去做：先读表、点开备注图理解需求，再去 ONES的成百上千条需求里大海捞针， 按业务含义匹配对应可能的需求，最后输出一张逐项核对表。
它用了近40分钟完成了：共17 条标准化需求，逐条匹配到对应 ONES 项，标出父项、子项、验收状态和不确定点。
我核对了一下，只有一点不够精准，其他的全部正确。
这至少节省了我半个工作日的时间，真的被爽到了。
而且，我觉得这个场景比“AI 帮我写一篇PRD文档”更有代表性。
因为这是每个人在工作中都会经常出现的，那种：
真实、混乱、很脏很碎片化，而且是非标准化的临时任务。
这种任务最烦的就是会消耗人的心智、精力和时间。
但他们也恰恰是最适合让AI去做的。
真的能大大改善你的效率和工作心情。
总的来说，AI 可以把我们那一大段查找、比对、摘录、归类的这种苦活吃掉，我们只需要验收最后的成果是否正确。
这就是AI带来的很大的变化：
很多原来只能靠人肉耐心硬扛的工作，可以被拆成“人定标准，AI 跑证据”的协作流程。
4 02
个人理解，卡萨西的这套 LLM Wiki 只能算 AI 驱动的自维护资料型知识库
从个人知识管理角度来讲，AI ➕MOC ➕原子笔记，才算是真正的知识资产系统
从个人知识管理角度来讲，AI ➕MOC ➕原子笔记，才算是真正的知识资产系统
Nar那不然: 为什么大家都讨论卡萨西的 LLM Wiki ？ 而不讨论：MOC 原子笔记 卡片笔记… 这些个人知识管理的核心概念？ 而且我觉得 AI 结合 MOC 比 LLM WIKI 更合理吧？
2 00
为什么大家都讨论卡萨西的 LLM Wiki ？
而不讨论：MOC 原子笔记 卡片笔记…
这些个人知识管理的核心概念？
而且我觉得 AI 结合 MOC 比 LLM WIKI 更合理吧？
而不讨论：MOC 原子笔记 卡片笔记…
这些个人知识管理的核心概念？
而且我觉得 AI 结合 MOC 比 LLM WIKI 更合理吧？
2 11
